Mit kell tudni a mesterséges intelligencia fejlődéséről?
A mély tanulás a gépi tanulás (ML) hatalmas formája, amely komplex matematikai struktúrákat épít, amelyeket neurális hálózatoknak neveznek nagy mennyiségű adat (információ) felhasználásával.
Deep Learning definíció
A mély tanulás egy módja annak, hogy az ML-t több réteg neurális hálózatok segítségével bonyolultabb adatformátumok feldolgozására használják. Néha hierarchikus tanulásnak nevezik, a mély tanulás különböző típusú neurális hálózatokat használ fel a funkciók (úgynevezett reprezentációk) megismerésére és megtalálására a nyers, jelöletlen adatok nagy csoportjaiban (strukturálatlan adatok). A mélytanulás egyik első áttörő bemutatója egy olyan program volt, amely sikeresen felvette a macskák képét a YouTube-videók készleteiből.
Deep Learning példák a mindennapi életben
A mély tanulás nemcsak a képfelismerés, hanem a nyelvfordítás, a csalás felderítése és a vállalatok által az ügyfelekről gyűjtött adatok elemzése is. Például a Netflix mély tanítást használ a nézési szokások elemzésére, és megjósolja, hogy mely műsorokat és filmeket szeretne nézni. Így tudja, hogy a Netflix akciófilmeket és természetfilmeket készít a javaslati sorban. Az Amazon mélyen tanult, hogy elemezze a legutóbbi vásárlásait és az Ön által nemrég keresett elemeket, hogy javaslatokat készítsen az új országzenalbumokról, amelyekről valószínűleg érdekel, és hogy egy pár szürke és sárga teniszpiacról van szó cipő. Mivel a mély tanulás egyre jobban betekintést nyújt a strukturálatlan és nyers adatokból, a vállalatok jobban elképzelhetik ügyfeleik szükségleteit, miközben az egyes ügyfelek személyre szabottabb ügyfélszolgálatot kapnak.
Mesterséges neurális hálózatok és mély tanulás
Ahhoz, hogy a mély tanulás könnyebben érthető legyen, nézzük át egy mesterséges neurális hálózat (ANN) összehasonlítását . A mély tanuláshoz képzeljük el, hogy a 15 emeletes irodaépületünk egy városi blokkot foglal el öt másik irodaházzal. Az utca mindkét oldalán három épület található. Épületünk az A épület, és ugyanazon az utcán osztozik, mint a B és C épület. Az A épület felett az A épület épülete 1, a B épület pedig az épület 2, és így tovább. Minden épületnek több különböző szintje van, különböző anyagokból készül, és más építészeti stílusban áll egymástól. Az egyes épületek azonban még mindig külön irodákban (rétegekben) vannak elrendezve, így minden épület egy egyedi ANN.
Képzeld el, hogy egy digitális csomag érkezik az A épületbe, amely sokféle forrást tartalmaz több forrásból, mint például a szöveges adatok, a videó streamek, az audio streamek, a telefonhívások, a rádióhullámok és a fényképek. nincs logikai módon címkézve vagy rendezve (strukturálatlan adatok). Az információkat az egyes szinteken keresztül továbbítják az 1.- től 15- ig a feldolgozáshoz. Miután az információcsere eléri a 15. emelet (output) értékét, a 3. épület 1. emeletére (input) kerül elküldésre az A épület végső feldolgozási eredményével együtt. A 3. épület megtanulja és tartalmazza az A épület által küldött eredményt, majd feldolgozza az információkat a padlón keresztül ugyanúgy. Amikor az információ eléri a 3. épület legfelső emeletét, onnan az épületnek az 1. épületbe kerül. Az 1. épület megtanulja, és beépíti a 3. épület eredményeit, mielőtt feldolgozza azt a padlóról. Az 1. épület ugyanazt az információt továbbítja, mint a C épület, amely feldolgozza és elküldi a 2. épületnek, amely feldolgozza és elküldi a B. épületet.
A példánkban szereplő minden ANN (épület) a strukturálatlan adatok egy másik funkcióját keresi (információcsorba), és továbbítja az eredményeket a következő épületbe. A következő épület tartalmazza (megismeri) az előzőtől származó kimenetet (eredményeket). Mivel az adatokat minden egyes ANN (épület) feldolgozza, egy adott szolgáltatással megszervezi és címkézik (osztályozzák), így amikor az adatok eljutnak az utolsó ANN (épület) végső kimenetéhez (legfelső emelet), akkor osztályozzák és címkézik (strukturáltabb).
Mesterséges intelligencia, gépi tanulás és mély tanulás
Hogyan illeszkedik a mélytanulás a mesterséges intelligencia (AI) és az ML összképébe? A mély tanulás növeli az ML teljesítményét és növeli az AI által elvégezhető feladatok körét. Mivel a mély tanulás az idegháló használatát és egyszerűbb feladatspecifikus algoritmusok helyett az adathalmazok felismerését teszi lehetővé, a strukturálatlan (nyers) adatok részleteit megtalálhatja és felhasználhatja anélkül, hogy a programozónak először kézi címkéznie kellene -fogyasztó feladat, amely hibákat hozhat. A mély tanulás segít a számítógépeknek abban, hogy jobbak és jobbak legyenek az adatok felhasználásával, hogy segítsenek mind a vállalatoknak, mind az egyéneknek.